| cerrado ¶

1.1 | Importando pacotes usados ¶

In [ ]:
import numpy as np
import pandas as pd
import plotly.express as px
from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio
In [ ]:
import plotly.io as pio
pio.renderers
Out[ ]:
Renderers configuration
-----------------------
    Default renderer: 'plotly_mimetype+notebook'
    Available renderers:
        ['plotly_mimetype', 'jupyterlab', 'nteract', 'vscode',
         'notebook', 'notebook_connected', 'kaggle', 'azure', 'colab',
         'cocalc', 'databricks', 'json', 'png', 'jpeg', 'jpg', 'svg',
         'pdf', 'browser', 'firefox', 'chrome', 'chromium', 'iframe',
         'iframe_connected', 'sphinx_gallery', 'sphinx_gallery_png']
In [ ]:
pio.renderers.default = "notebook"

1.2 | Funções usadas ¶

In [ ]:
def equivalencia_linha(tabulacao_cruzada):
    """Essa função determina as esquivalências por linha entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_linha = []
    for index, row in tabulacao_cruzada.iterrows():
        max_row = row.sort_values(ascending=False)
        mapeamento_linha.append(tabulacao_cruzada.loc[: , max_row.index[0]])
    
    mapeamento_linha = pd.DataFrame(data=mapeamento_linha)
    
    linhas = mapeamento_linha.index.tolist()
    colunas = mapeamento_linha.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_linha = pd.DataFrame(data_tuples, columns=['Quarto_Inventario','MapBiomas'])
    
    for i in range(len(mapeamento_linha)):
        mapeamento_linha.loc[i, "Size"] = tabulacao_cruzada.loc[(mapeamento_linha["Quarto_Inventario"][i])].max()
        
    return mapeamento_linha
In [ ]:
def equivalencia_coluna(tabulacao_cruzada):
    """Essa função determina as esquivalências por coluna entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_coluna = []
    for column in range(0, tabulacao_cruzada.shape[1]):
        max_column = tabulacao_cruzada.iloc[:, column].sort_values(ascending=False)
        mapeamento_coluna.append(tabulacao_cruzada.loc[max_column.index[0], :])
    
    mapeamento_coluna = pd.DataFrame(data=mapeamento_coluna)
    
    linhas = mapeamento_coluna.index.tolist()
    colunas = mapeamento_coluna.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_coluna = pd.DataFrame(data_tuples, columns=['MapBiomas', 'Quarto_Inventario'])
    
    mapeamento_coluna.loc[:, ("Size")] = 0
    
    for i in range(len(mapeamento_coluna)):
         mapeamento_coluna.loc[i, "Size"] = tabulacao_cruzada.loc[:, (mapeamento_coluna["MapBiomas"][i])].max()
        
    return mapeamento_coluna
In [ ]:
def legenda_harmonizada(mapeamento_linha, mapeamento_coluna):
    """
        Determina a harmonização das legendas a partir das harmonizações por linha e por coluna.
    """
    
    legenda = pd.merge(equivalencias_linha, equivalencias_coluna, how="outer")
    
    return legenda
In [ ]:
def nodify(node_names):
    '''
        Cria os nódulos para agrupar cada legendas em uma coluna a partir da legenda gerada
        pela função harmonizacao_2_sankey e geras as cores de cada nódulo por coluna.
    '''
    # uniqe name endings
    ends = sorted(list(set([e[-1] for e in node_names])))
    
    # intervals
    steps = 0

    # x-values for each unique name ending
    # for input as node position
    nodes_x = {}
    node_colors = {}
    xVal = 0
    for e in ends:
        if e != " ":
            nodes_x[str(e)] = xVal
            xVal += steps + 0.3
        else:
            nodes_x[str(e)] = xVal
            xVal += steps
            
    for e in ends:
        if e != "'":
            node_colors[str(e)] = '#84caa0'
        else:
            node_colors[str(e)] = '#37986a'

    # x and y values in list form
    x_values = [nodes_x[n[-1]] for n in node_names]
    y_values = [0.01]*len(x_values)
    
    node_colors = [node_colors[n[-1]] for n in node_names]
    
    return x_values, y_values, node_colors
In [ ]:
def df_2_sankey(df,cols,values,hover_value=None):
    """ 
        Helper function to convert a dataframe of relationships to 
        Plotly Sankey format.
    """
    colors = ['#D0EDA6','#EDEF7B','#EF7B84','#00308f','#eedc82','#c66']
    out = df.copy()
    entities = dict()
    vals_ = [values,hover_value]
    try: 
        vals_.remove(None)
    except:
        pass
    
    # get dict of uid for each entity in each level from 0...n
    for n,c in enumerate(cols):
        if n == 0:
            out[f'{c}_'] = pd.factorize(out[c])[0]
        else:
            out[f'{c}_'] = pd.factorize(out[c])[0] + (out[f'{cols[n-1]}_'].max()+1)
        entities[n] = dict(out[[cols[n]+'_',cols[n]]].values)

    # create df edge list between source,targets
    edge_list = list()
    for i in range(0, len(cols), 1):
        slice_ = cols[i:i+2]
        if len(slice_)==2:
            el_ = out.groupby([f'{c}_' for c in slice_],as_index=False)[vals_].sum()
            el_.columns = ['source','target']+vals_
            edge_list.append(el_)
    edge_list = pd.concat(edge_list,ignore_index=True)

    # Sankey node definitions are simply the ordered uid/names of each entity 
    labels = [v[i] for k,v in entities.items() for i in v] # use v[i] for name, i for uid
    node_colors = [colors[k] for k in entities.keys() for i in entities[k]]

    # Sankey edge definitions
    source = list(edge_list['source'])
    target = list(edge_list['target'])
    values = list(edge_list[values])
    
    if hover_value is None:
        hover_values = list()
    else:
        hover_values = list(edge_list[hover_value])
    if len(source) == len(target) == len(values):
        return edge_list,entities,labels,node_colors,source,target,values,hover_values
    else:
        raise Exception('Output test fail: lists are of unequal lengths')
In [ ]:
def harmonizacao_2_sankey(df):
    """
    Gera os outputs necessários para gerar o diagrama de Sankey via plotly para a legenda harmonizada.
    """      
    equivalencias_linha = equivalencia_linha(df)
    _df = pd.DataFrame()
    _df["source"] = equivalencias_linha["Quarto_Inventario"] + "!"
    _df["target"] = equivalencias_linha["MapBiomas"] + "'"
    _df["value"] = equivalencias_linha["Size"]
    
    equivalencias_coluna = equivalencia_coluna(df)
    _df2 = pd.DataFrame()
    _df2["source"] = equivalencias_coluna["MapBiomas"] + "'"
    _df2["target"] = equivalencias_coluna["Quarto_Inventario"].astype(str) + " "
    _df2["value"] = equivalencias_coluna["Size"]
    
    _df = pd.concat([_df, _df2], ignore_index=True)
    
    legendas = pd.concat([_df['source'], _df['target']])
    legendas = legendas.unique()
    legenda = {x: index for index, x in enumerate(legendas)}
    
    nodified_x, nodified_y, node_colors = nodify(legendas)
    
    source = []
    target = []
    value = []
    for linha in _df.iterrows():
        source.append(legenda.get(linha[1].source))
        target.append(legenda.get(linha[1].target))
        value.append(linha[1].value)
    
    return legendas, source, target, value, node_colors, nodified_x, nodified_y

1.3 | Legendas dos mapas de acordo com os valores de pixel ¶

In [ ]:
mapbiomas_col7_legenda = {
    1 : "Floresta",
    3 : "Formação Florestal",
    4 : "Formação Savânica",
    5 : "Mangue",
    49 : "Restinga Arborizada",
    10 : "Formação Natural não Florestal",
    11 : "Campo Alagado e Área Pantanosa",
    12 : "Formação Campestre",
    32 : "Apicum",
    29 : "Afloramento Rochoso",
    50 : "Restinga Herbácea",
    13 : "Outras Formações não Florestais",
    14 : "Agropecuária",
    15 : "Pastagem",
    18 : "Agricultura",
    19 : "Lavoura Temporária",
    39 : "Soja",
    20 : "Cana",
    40 : "Arroz (beta)",
    62 : "Algodão (beta)",
    41 : "Outras Lavouras Temporárias",
    36 : "Lavoura Perene",
    46 : "Café",
    47 : "Citrus",
    48 : "Outras Lavouras Perenes",
    9 : "Silvicultura",
    21 : "Mosaico de Usos",
    22 : "Área não Vegetada",
    23 : "Praia, Duna e Areal",
    24 : "Área Urbanizada",
    30 : "Mineração",
    25 : "Outras Áreas não Vegetadas",
    26 : "Corpo D'água",
    33 : "Rio, Lago e Oceano",
    31 : "Aquicultura",
    27 : "Não Observado"
}

quarto_inventario_legenda = {
    1 : "Floresta manejada (FM)",
    2 : "Floresta não manejada (FNM)",
    3 : "Floresta secundária (FSec)",
    4 : "Corte seletivo (CS)",
    5 : "Reflorestamento (Ref)",
    6 : "Campo manejado (GM)",
    7 : "Campo não manejado (GNM)",
    8 : "Campo secundário (GSec)",
    9 : "Pastagem (Ap)",
    10 : "Pastagem degradada (APD)",
    11 : "Outras formações lenhosas manejadas (OFLM)",
    12 : "Outras formações lenhosas não manejadas (OFLNM)",
    13 : "Outras formações lenhosas secundárias (OFLSec)",
    14 : "Agricultura anual  (AC)",
    15 : "Agricultura perene (PER)",
    16 : "Agricultura semiperene  (CANA)",
    17 : "Água (A)",
    18 : "Reservatório (Res)",
    19 : "Assentamento (S)",
    20 : "Dunas manejadas (DnM)",
    21 : "Dunas não manejadas (DnNM)",
    22 : "Afloramento rochoso manejado (ArM)",
    23 : "Afloramento rochoso não manejado (ArNM)",
    24 : "Mineração (Min)",
    25 : "Solo exposto (SE)",
    26 : "Áreas não observadas (NO)"
}

1.4 | Carregando os dados ¶

In [ ]:
df = pd.read_csv("../confusion_matrix/tab_cruz_cerrado.csv", index_col="Unnamed: 0")

df.head()
Out[ ]:
0.0 3.0 4.0 5.0 9.0 11.0 12.0 15.0 20.0 21.0 ... 32.0 33.0 39.0 40.0 41.0 46.0 47.0 48.0 62.0 255.0
0.0 2900627831 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 457042619
1.0 0 49066077 71029883 292198 45451 3179694 9344179 2955831 5655 1194093 ... 27060 362187 50377 27 17717 11645 3780 1709 55 245
2.0 0 201035562 394299872 319202 800990 12303538 27803141 48871564 174197 35375652 ... 32504 1861257 540234 1522 554636 171471 85846 24164 711 19213
3.0 0 11779788 31193080 425 225523 847341 2570441 9199132 103987 5708989 ... 24 88771 151939 44 141025 31965 39748 12005 89 1229
5.0 0 5093491 5137364 0 30824049 347410 754623 2275176 30376 3729447 ... 0 16035 91577 0 306322 133101 60636 20719 38 240

5 rows × 26 columns

1.5 | Tratando os dados ¶

In [ ]:
df.shape
Out[ ]:
(25, 26)
In [ ]:
df.index
Out[ ]:
Index([ 0.0,  1.0,  2.0,  3.0,  5.0,  6.0,  7.0,  8.0,  9.0, 10.0, 11.0, 12.0,
       13.0, 14.0, 15.0, 16.0, 17.0, 18.0, 19.0, 20.0, 21.0, 23.0, 24.0, 25.0,
       26.0],
      dtype='float64')
In [ ]:
df.columns
Out[ ]:
Index(['0.0', '3.0', '4.0', '5.0', '9.0', '11.0', '12.0', '15.0', '20.0',
       '21.0', '23.0', '24.0', '25.0', '29.0', '30.0', '31.0', '32.0', '33.0',
       '39.0', '40.0', '41.0', '46.0', '47.0', '48.0', '62.0', '255.0'],
      dtype='object')
In [ ]:
df = df.drop(index=0.0, columns=["0.0", "255.0"])


df.head()
Out[ ]:
3.0 4.0 5.0 9.0 11.0 12.0 15.0 20.0 21.0 23.0 ... 31.0 32.0 33.0 39.0 40.0 41.0 46.0 47.0 48.0 62.0
1.0 49066077 71029883 292198 45451 3179694 9344179 2955831 5655 1194093 67309 ... 383 27060 362187 50377 27 17717 11645 3780 1709 55
2.0 201035562 394299872 319202 800990 12303538 27803141 48871564 174197 35375652 79353 ... 0 32504 1861257 540234 1522 554636 171471 85846 24164 711
3.0 11779788 31193080 425 225523 847341 2570441 9199132 103987 5708989 582 ... 0 24 88771 151939 44 141025 31965 39748 12005 89
5.0 5093491 5137364 0 30824049 347410 754623 2275176 30376 3729447 0 ... 0 0 16035 91577 0 306322 133101 60636 20719 38
6.0 1208561 2762603 0 29058 667608 4006468 850855 134 242613 0 ... 0 0 3969 11592 0 4452 1883 3904 330 0

5 rows × 24 columns

1.6 | Mapeando os nomes das classes ¶

In [ ]:
classes_mapa1 = df.columns.astype(float)
classes_mapa2 = df.index

# Mapeando os valores de pixels com os nomes das classes
mapa1_legenda = list(map(mapbiomas_col7_legenda.get, classes_mapa1))
mapa2_legenda = list(map(quarto_inventario_legenda.get, classes_mapa2))
In [ ]:
mapa1_legenda
Out[ ]:
['Formação Florestal',
 'Formação Savânica',
 'Mangue',
 'Silvicultura',
 'Campo Alagado e Área Pantanosa',
 'Formação Campestre',
 'Pastagem',
 'Cana',
 'Mosaico de Usos',
 'Praia, Duna e Areal',
 'Área Urbanizada',
 'Outras Áreas não Vegetadas',
 'Afloramento Rochoso',
 'Mineração',
 'Aquicultura',
 'Apicum',
 'Rio, Lago e Oceano',
 'Soja',
 'Arroz (beta)',
 'Outras Lavouras Temporárias',
 'Café',
 'Citrus',
 'Outras Lavouras Perenes',
 'Algodão (beta)']
In [ ]:
mapa2_legenda
Out[ ]:
['Floresta manejada (FM)',
 'Floresta não manejada (FNM)',
 'Floresta secundária (FSec)',
 'Reflorestamento (Ref)',
 'Campo manejado (GM)',
 'Campo não manejado (GNM)',
 'Campo secundário (GSec)',
 'Pastagem (Ap)',
 'Pastagem degradada (APD)',
 'Outras formações lenhosas manejadas (OFLM)',
 'Outras formações lenhosas não manejadas (OFLNM)',
 'Outras formações lenhosas secundárias (OFLSec)',
 'Agricultura anual  (AC)',
 'Agricultura perene (PER)',
 'Agricultura semiperene  (CANA)',
 'Água (A)',
 'Reservatório (Res)',
 'Assentamento (S)',
 'Dunas manejadas (DnM)',
 'Dunas não manejadas (DnNM)',
 'Afloramento rochoso não manejado (ArNM)',
 'Mineração (Min)',
 'Solo exposto (SE)',
 'Áreas não observadas (NO)']
In [ ]:
# Renomeando linhas e colunas de acordo com as classes 
df.columns = mapa1_legenda
df.index = mapa2_legenda

df.head()
Out[ ]:
Formação Florestal Formação Savânica Mangue Silvicultura Campo Alagado e Área Pantanosa Formação Campestre Pastagem Cana Mosaico de Usos Praia, Duna e Areal ... Aquicultura Apicum Rio, Lago e Oceano Soja Arroz (beta) Outras Lavouras Temporárias Café Citrus Outras Lavouras Perenes Algodão (beta)
Floresta manejada (FM) 49066077 71029883 292198 45451 3179694 9344179 2955831 5655 1194093 67309 ... 383 27060 362187 50377 27 17717 11645 3780 1709 55
Floresta não manejada (FNM) 201035562 394299872 319202 800990 12303538 27803141 48871564 174197 35375652 79353 ... 0 32504 1861257 540234 1522 554636 171471 85846 24164 711
Floresta secundária (FSec) 11779788 31193080 425 225523 847341 2570441 9199132 103987 5708989 582 ... 0 24 88771 151939 44 141025 31965 39748 12005 89
Reflorestamento (Ref) 5093491 5137364 0 30824049 347410 754623 2275176 30376 3729447 0 ... 0 0 16035 91577 0 306322 133101 60636 20719 38
Campo manejado (GM) 1208561 2762603 0 29058 667608 4006468 850855 134 242613 0 ... 0 0 3969 11592 0 4452 1883 3904 330 0

5 rows × 24 columns

Convertendo os valores de pixel para milhões de hectares.

In [ ]:
df2 = df

df = round(df * 0.09 / 1000000, 2)

df.head()
Out[ ]:
Formação Florestal Formação Savânica Mangue Silvicultura Campo Alagado e Área Pantanosa Formação Campestre Pastagem Cana Mosaico de Usos Praia, Duna e Areal ... Aquicultura Apicum Rio, Lago e Oceano Soja Arroz (beta) Outras Lavouras Temporárias Café Citrus Outras Lavouras Perenes Algodão (beta)
Floresta manejada (FM) 4.42 6.39 0.03 0.00 0.29 0.84 0.27 0.00 0.11 0.01 ... 0.0 0.0 0.03 0.00 0.0 0.00 0.00 0.00 0.0 0.0
Floresta não manejada (FNM) 18.09 35.49 0.03 0.07 1.11 2.50 4.40 0.02 3.18 0.01 ... 0.0 0.0 0.17 0.05 0.0 0.05 0.02 0.01 0.0 0.0
Floresta secundária (FSec) 1.06 2.81 0.00 0.02 0.08 0.23 0.83 0.01 0.51 0.00 ... 0.0 0.0 0.01 0.01 0.0 0.01 0.00 0.00 0.0 0.0
Reflorestamento (Ref) 0.46 0.46 0.00 2.77 0.03 0.07 0.20 0.00 0.34 0.00 ... 0.0 0.0 0.00 0.01 0.0 0.03 0.01 0.01 0.0 0.0
Campo manejado (GM) 0.11 0.25 0.00 0.00 0.06 0.36 0.08 0.00 0.02 0.00 ... 0.0 0.0 0.00 0.00 0.0 0.00 0.00 0.00 0.0 0.0

5 rows × 24 columns

2.1 | Análise dos dados ¶

2.1.1 | Tabulação Cruzada ¶

In [ ]:
results = []
for p_key, values in df.items():
    for key, value in values.items():
        results.append({"source": p_key, "target": key, "value": value})
        # print(p_key, key, value)

df_list = pd.DataFrame(results, columns=['target', 'source', 'value'])
df_list
Out[ ]:
target source value
0 Floresta manejada (FM) Formação Florestal 4.42
1 Floresta não manejada (FNM) Formação Florestal 18.09
2 Floresta secundária (FSec) Formação Florestal 1.06
3 Reflorestamento (Ref) Formação Florestal 0.46
4 Campo manejado (GM) Formação Florestal 0.11
... ... ... ...
571 Dunas não manejadas (DnNM) Algodão (beta) 0.00
572 Afloramento rochoso não manejado (ArNM) Algodão (beta) 0.00
573 Mineração (Min) Algodão (beta) 0.00
574 Solo exposto (SE) Algodão (beta) 0.00
575 Áreas não observadas (NO) Algodão (beta) 0.00

576 rows × 3 columns

In [ ]:
fig = px.imshow(df.replace(0, None), text_auto=True, aspect="auto", height=1000, title='Matriz de Tabulação Cruzada entre os mapas (Mha)')
fig.show()
In [ ]:
fig = make_subplots(
    rows=2, cols=1,
    shared_yaxes='all',
    specs=[[{"type": "xy"}],[{"type": "xy"}]],
    subplot_titles=("<b>MapBiomas Col. 7 - cerrado<b>", "<b>Quarto Inventário Nacional - cerrado<b>")
)

fig.add_trace(go.Bar(y= df.sum(), x=df.sum().index, text=((df.sum())).astype(int).astype(str)+"Mha"),
              row=1, col=1)

fig.add_trace(go.Bar(y = df.sum(axis='columns').sort_values(ascending=False), 
                     x=df.sum(axis='columns').sort_values(ascending=False).index, 
                     text=((df.sum(axis='columns').sort_values(ascending=False))).astype(int).astype(str)+"Mha"),
              row=2, col=1)

fig.update_layout(title_text="<b>Distribuição das Classes por Mapa da Região Estudada<b>",
                  height=1000,
                  width=1200,
                  showlegend=False
                  )

fig.update_layout(barmode='stack', xaxis={'categoryorder':'total descending'})

fig.show()

2.2 | Equivalências por linha ¶

In [ ]:
equivalencias_linha = equivalencia_linha(df)
display(equivalencias_linha)
Quarto_Inventario MapBiomas Size
0 Floresta manejada (FM) Formação Savânica 6.39
1 Floresta não manejada (FNM) Formação Savânica 35.49
2 Floresta secundária (FSec) Formação Savânica 2.81
3 Reflorestamento (Ref) Silvicultura 2.77
4 Campo manejado (GM) Formação Campestre 0.36
5 Campo não manejado (GNM) Formação Savânica 1.44
6 Campo secundário (GSec) Formação Savânica 0.14
7 Pastagem (Ap) Pastagem 44.86
8 Pastagem degradada (APD) Pastagem 0.60
9 Outras formações lenhosas manejadas (OFLM) Formação Campestre 2.23
10 Outras formações lenhosas não manejadas (OFLNM) Formação Savânica 6.31
11 Outras formações lenhosas secundárias (OFLSec) Formação Savânica 0.30
12 Agricultura anual (AC) Soja 16.97
13 Agricultura perene (PER) Café 0.30
14 Agricultura semiperene (CANA) Cana 4.28
15 Água (A) Rio, Lago e Oceano 0.29
16 Reservatório (Res) Rio, Lago e Oceano 0.80
17 Assentamento (S) Área Urbanizada 0.76
18 Dunas manejadas (DnM) Praia, Duna e Areal 0.09
19 Dunas não manejadas (DnNM) Praia, Duna e Areal 0.01
20 Afloramento rochoso não manejado (ArNM) Formação Florestal 0.00
21 Mineração (Min) Mineração 0.02
22 Solo exposto (SE) Outras Áreas não Vegetadas 0.05
23 Áreas não observadas (NO) Formação Florestal 0.00
In [ ]:
edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_linha,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> Quarto_Inventario > MapBiomas | cerrado<b>", font_size=12)
fig.show()

2.3 | Equivalências por coluna ¶

In [ ]:
equivalencias_coluna = equivalencia_coluna(df)
display(equivalencias_coluna)
MapBiomas Quarto_Inventario Size
0 Formação Florestal Floresta não manejada (FNM) 18.09
1 Formação Savânica Floresta não manejada (FNM) 35.49
2 Mangue Floresta manejada (FM) 0.03
3 Silvicultura Reflorestamento (Ref) 2.77
4 Campo Alagado e Área Pantanosa Outras formações lenhosas não manejadas (OFLNM) 1.76
5 Formação Campestre Floresta não manejada (FNM) 2.50
6 Pastagem Pastagem (Ap) 44.86
7 Cana Agricultura semiperene (CANA) 4.28
8 Mosaico de Usos Pastagem (Ap) 5.72
9 Praia, Duna e Areal Dunas manejadas (DnM) 0.09
10 Área Urbanizada Assentamento (S) 0.76
11 Outras Áreas não Vegetadas Pastagem (Ap) 0.24
12 Afloramento Rochoso Campo não manejado (GNM) 0.15
13 Mineração Mineração (Min) 0.02
14 Aquicultura Floresta manejada (FM) 0.00
15 Apicum Floresta manejada (FM) 0.00
16 Rio, Lago e Oceano Reservatório (Res) 0.80
17 Soja Agricultura anual (AC) 16.97
18 Arroz (beta) Agricultura anual (AC) 0.09
19 Outras Lavouras Temporárias Agricultura anual (AC) 1.74
20 Café Agricultura perene (PER) 0.30
21 Citrus Agricultura perene (PER) 0.26
22 Outras Lavouras Perenes Agricultura perene (PER) 0.03
23 Algodão (beta) Agricultura anual (AC) 0.09
In [ ]:
edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_coluna,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> MapBiomas > Quarto_Inventario | cerrado<b>", font_size=12)
fig.show()

2.4 | Legenda Harmonizada ¶

In [ ]:
mapeamento = legenda_harmonizada(equivalencias_linha, equivalencias_coluna)
display(mapeamento)
Quarto_Inventario MapBiomas Size
0 Floresta manejada (FM) Formação Savânica 6.39
1 Floresta não manejada (FNM) Formação Savânica 35.49
2 Floresta secundária (FSec) Formação Savânica 2.81
3 Reflorestamento (Ref) Silvicultura 2.77
4 Campo manejado (GM) Formação Campestre 0.36
5 Campo não manejado (GNM) Formação Savânica 1.44
6 Campo secundário (GSec) Formação Savânica 0.14
7 Pastagem (Ap) Pastagem 44.86
8 Pastagem degradada (APD) Pastagem 0.60
9 Outras formações lenhosas manejadas (OFLM) Formação Campestre 2.23
10 Outras formações lenhosas não manejadas (OFLNM) Formação Savânica 6.31
11 Outras formações lenhosas secundárias (OFLSec) Formação Savânica 0.30
12 Agricultura anual (AC) Soja 16.97
13 Agricultura perene (PER) Café 0.30
14 Agricultura semiperene (CANA) Cana 4.28
15 Água (A) Rio, Lago e Oceano 0.29
16 Reservatório (Res) Rio, Lago e Oceano 0.80
17 Assentamento (S) Área Urbanizada 0.76
18 Dunas manejadas (DnM) Praia, Duna e Areal 0.09
19 Dunas não manejadas (DnNM) Praia, Duna e Areal 0.01
20 Afloramento rochoso não manejado (ArNM) Formação Florestal 0.00
21 Mineração (Min) Mineração 0.02
22 Solo exposto (SE) Outras Áreas não Vegetadas 0.05
23 Áreas não observadas (NO) Formação Florestal 0.00
24 Floresta não manejada (FNM) Formação Florestal 18.09
25 Floresta manejada (FM) Mangue 0.03
26 Outras formações lenhosas não manejadas (OFLNM) Campo Alagado e Área Pantanosa 1.76
27 Floresta não manejada (FNM) Formação Campestre 2.50
28 Pastagem (Ap) Mosaico de Usos 5.72
29 Pastagem (Ap) Outras Áreas não Vegetadas 0.24
30 Campo não manejado (GNM) Afloramento Rochoso 0.15
31 Floresta manejada (FM) Aquicultura 0.00
32 Floresta manejada (FM) Apicum 0.00
33 Agricultura anual (AC) Arroz (beta) 0.09
34 Agricultura anual (AC) Outras Lavouras Temporárias 1.74
35 Agricultura perene (PER) Citrus 0.26
36 Agricultura perene (PER) Outras Lavouras Perenes 0.03
37 Agricultura anual (AC) Algodão (beta) 0.09
In [ ]:
legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df2)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])


fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Inventário > MapBiomas > Inventário | cerrado <b>", font_size=12)
fig.show()

Aqui temos uma versão do diagrama sem considerar a quantidade de área identificada. Ele possibilita uma visão mais limpa de como ficaram as concordâncias.

In [ ]:
legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df)

value = [1] * len(value)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])

fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Quarto Inventário > MapBiomas | cerrado <b>", font_size=12)
fig.show()

2.5 | Análise das Informações Obtidas ¶

In [ ]:
concordancia_geral = round(100 * mapeamento.loc[:, "Size"].sum() / df.to_numpy().sum(), 2)

print("A concordância geral entre os mapas foi de {}%".format(concordancia_geral), "considerando a harmonização obtida.")
A concordância geral entre os mapas foi de 74.36% considerando a harmonização obtida.